MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection

Probleemstelling

De kwaliteit van pluimveevlees wordt aanzienlijk beïnvloed door structurele myopathieën, met name Woody Breast (WB) en Spaghetti Meat (SM). Deze aandoeningen leiden tot veranderingen in textuur, verminderd watervasthoudend vermogen en aanzienlijke economische verliezen.

• Huidige uitdagingen: Bestaande detectiemethoden zijn ofwel subjectief (handmatige palpatie/visuele inspectie, wat leidt tot vermoeidheid en inconsistentie) ofwel afhankelijk van dure, laboratoriumgebaseerde systemen zoals hyperspectrale imaging of near-infrared spectroscopie.
• Beperkingen: Deze geavanceerde systemen vereisen gespecialiseerde hardware en gecontroleerde omgevingen, wat hun schaalbaarheid en inzetbaarheid in echte verwerkingsomgevingen beperkt. Er ontbreekt een uniek, betaalbaar platform dat gebruikmaakt van consumententechnologie voor niet-destructieve, multiklasse classificatie.

Methodologie

De auteurs stellen MyoVision voor, een mobiel onderzoeksplatform dat gebruikmaakt van een smartphone voor transilluminatie-imaging (licht dat door het weefsel heen schijnt) en een geavanceerd ensemble-leerframework.

1. Data-acquisitie (MyoVision App)

• Hardware: Een native iOS-applicatie die gebruikmaakt van de camera en LiDAR-sensoren van een smartphone.
• Beeldvorming: Er worden 14-bit RAW-beelden (DNG-formaat) vastgelegd om de radiometrische integriteit te behouden, zonder de computergestuurde fotobewerking van de camera.
• Transilluminatie: Breedbandig wit licht wordt door het kipfilet gestuurd. Dit onthult suboppervlakkige structurele variaties (dichtheid, fibrotische verharding, vloeistofherverdeling) die niet zichtbaar zijn in oppervlaktebeelden.
• Multimodaliteit: Het systeem ondersteunt ook diepteaquisitie via LiDAR (tijd-vlucht en TrueDepth) voor 3D-puntenwolkgeneratie en mesh-reconstructie.

2. Kenmerkextractie

Uit de getransformeerde RAW-afbeeldingen worden 16 handgemaakte structurele beschrijvers geëxtraheerd:

• Ruimtelijke statistieken: Gradient-magnitude statistieken (gemiddelde, standaarddeviatie), lokale intensiteitsvariantie, randdichtheid en directionele gradient-histogrammen.
• Frequentiedomein: Texture-beschrijvingen via multi-oriëntatie Gabor-filters (0°, 45°, 90°, 135°) om de uitlijning van spiervezels te vangen.
• Morfologie: Identificatie van dichte weefselgebieden en hun relatieve oppervlakte.

3. Het NEATBoost-Attention Ensemble Framework

Voor de classificatie (Normaal, Woody Breast, Spaghetti Meat) wordt een nieuw ensemble-model voorgesteld dat twee complementaire leerders combineert, geoptimaliseerd via NeuroEvolution of Augmenting Topologies (NEAT):

• LightGBM: Een gradient-boosting decision tree-model.
• AttentionMLP: Een multilayer perceptron met een aandachtsmechanisme (attention mechanism) dat input-beschrijvers opnieuw weegt.
• NEAT-Optimalisatie: In plaats van handmatige hyperparameter-tuning, gebruikt NEAT een evolutionair zoekproces om zowel de netwerktopologie als de hyperparameters automatisch te ontdekken. Dit is ideaal voor kleine, heterogene datasets.
• Fusie: De voorspellingen van de geëvolueerde modellen worden samengevoegd via gewogen waarschijnlijkheidsfusie, waarbij de gewichten worden geoptimaliseerd om de F1-score te maximaliseren.

Belangrijkste Bijdragen

1. Smartphone Transilluminatie Framework: Een bewijs dat consumentensmartphones, zonder gespecialiseerde optische hardware, effectief kunnen worden gebruikt om interne myopathieën te detecteren via 2D ruimtelijk geïntegreerde verzwakkingspatronen.
2. NEATBoost-Attention Ensemble: Een nieuwe architectuur die neuroevolutie toepast voor het automatisch ontdekken van optimale hyperparameters en modeltopologieën voor tabulaire data, wat leidt tot robuustere prestaties op kleine datasets.
3. Unificatie van Onderzoeksplatform: MyoVision integreert RAW-imaging, LiDAR 3D-acquisitie, mesh-reconstructie, automatische segmentatie (SAM) en AI-gestuurde analyse in één reproduceerbaar platform voor multimodaal datacollectie.

Resultaten

Het model werd getest op een dataset van 336 kipfilets (verzameld in een commerciële verwerkingsinstallatie), verdeeld in training, validatie en een vastgehouden testset (51 monsters).

• Prestaties: Het NEATBoost-Attention ensemble bereikte een testnauwkeurigheid van 82,4% met een gewogen F1-score van 0,83.
• Vergelijking: Dit presteert beter dan conventionele machine learning-baselines (zoals LightGBM, TabularCNN, LightTransformer) en komt overeen met de prestaties van veel duurdere hyperspectrale imaging-systemen (die vaak 76-86% halen voor multiklasse classificatie).
• Classificatie per klasse:
  • Woody Breast: Hoge recall (goed gedetecteerd door de sterke structurele signatuur).
  • Spaghetti Meat: Moeilijkst te classificeren (recall ~70%) vanwege overlap in kenmerken met zowel normale als Woody Breast monsters.
• Kenmerkanalyse: Statistische analyse toonde aan dat "Percentage Dense Area" de meest discriminerende feature was. Lineaire scheiding (LDA) was beperkt, wat aangeeft dat niet-lineaire interacties (gevangen door het ensemble) cruciaal zijn.

Betekenis en Toekomstperspectief

• Kostenefficiëntie en Schaalbaarheid: Het paper demonstreert dat dure, gespecialiseerde apparatuur niet noodzakelijk is voor kwaliteitscontrole van vlees. Consumentensmartphones kunnen een betaalbaar, schaalbaar alternatief bieden voor interne weefselbeoordeling.
• Automatisering van Modelontwerp: De toepassing van NEAT op voedselkwaliteit toont aan dat evolutionaire algoritmen handmatige tuning kunnen vervangen en diversere modelarchitecturen kunnen vinden voor complexe, kleine datasets.
• Beperkingen en Toekomst: De classificatie van "Spaghetti Meat" blijft uitdagend door de subtiele structurele verschillen. Toekomstig werk richt zich op het integreren van 3D-geometrische beschrijvers (van LiDAR) en hyperspectrale data om de discriminatie te verbeteren, evenals het verzamelen van grotere datasets van meerdere faciliteiten.

Kortom, MyoVision biedt een baanbrekende, reproduceerbare methode voor real-time, niet-destructieve detectie van kippenborst-myopathieën, waarbij geavanceerde AI-technieken worden gecombineerd met toegankelijke mobiele hardware.